本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Amazon SageMaker AI 如何提供培训信息

本节介绍了 SageMaker AI 如何将训练信息（例如训练数据、超参数和其他配置信息）提供给 Docker 容器。

当您向 A SageMaker I 发送启动模型训练的CreateTrainingJob请求时，您可以指定包含训练算法的 Docker 镜像的亚马逊弹性容器注册表 (Amazon ECR) Container Registry 路径。您还可以指定存储训练数据的亚马逊简单存储服务 (Amazon S3) 位置以及特定于算法的参数。 SageMaker AI 将这些信息提供给 Docker 容器，以便您的训练算法可以使用这些信息。本节介绍我们如何向您的 Docker 容器提供此信息。有关创建训练作业的信息，请参阅CreateTrainingJob。有关 SageMaker AI 容器组织信息的方式的更多信息，请参阅SageMaker 训练和推理工具包。

超参数

SageMaker AI 使CreateTrainingJob请求中的超参数在文件的 Docker 容器中/opt/ml/input/config/hyperparameters.json可用。

以下是中用于在CreateTrainingJob操作中hyperparameters.json指定num_round和超参数的eta超参数配置示例。XGBoost

{
    "num_round": "128",
    "eta": "0.001"
}            

有关可用于 SageMaker AI 内置 XGBoost 算法的超参数的完整列表，请参阅XGBoost超参数。

您可以调整的超参数取决于所训练的算法。有关可用于 AI 内置算法的超参数列表，请在使用 A ma SageMaker zon SageMaker AI 内置算法或预训练模型中的算法链接下的超参数中找到这些超参数。

环境变量

SageMaker AI 在您的容器中设置以下环境变量：

输入数据配置

SageMaker AI 使CreateTrainingJob请求中InputDataConfig参数中的数据通道信息在 Docker 容器的/opt/ml/input/config/inputdataconfig.json文件中可用。

例如，假设您在请求中指定了三个数据通道（trainevaluation、和validation）。 SageMaker AI 提供了以下 JSON：

{
  "train" : {"ContentType":  "trainingContentType",
             "TrainingInputMode": "File",
             "S3DistributionType": "FullyReplicated",
             "RecordWrapperType": "None"},
  "evaluation" : {"ContentType":  "evalContentType",
                  "TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"},
  "validation" : {"TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"}
} 

训练数据

CreateTrainingJob 请求中 AlgorithmSpecification 的参数 TrainingInputMode 指定了如何向容器提供训练数据集。有以下输入模式可用。

SageMaker AI 模型训练支持高性能 S3 Express One Zone 目录存储桶作为文件模式、快速文件模式和管道模式的数据输入位置。要使用 S3 Express One Zone，请输入 S3 Express One Zone 目录存储桶的位置，而不是 Amazon S3 通用存储桶的位置。为具有所需访问控制和权限策略的 IAM 角色提供 ARN。有关详细信息，请参阅AmazonSageMakerFullAccesspolicy。您只能使用 Amazon S3 托管密钥 (SSE-S3) 通过服务器端加密对目录存储桶中的 A SageMaker I 输出数据进行加密。目前不支持使用 AWS KMS 密钥进行服务器端加密 (SSE-KMS)，以将 SageMaker AI 输出数据存储在目录存储桶中。有关更多信息，请参阅 S3 Express One Zone。

分布式训练配置

如果您使用多个容器执行分布式训练， SageMaker AI 会在/opt/ml/input/config/resourceconfig.json文件中提供有关所有容器的信息。

为了启用容器间通信，此 JSON 文件包含所有容器的信息。 SageMaker AI 使该文件可用于模式算法File和Pipe模式算法。该文件提供以下信息：

下面是三节点集群的节点 1 上的示例文件：

{
    "current_host": "algo-1",
    "hosts": ["algo-1","algo-2","algo-3"],
    "network_interface_name":"eth1"
}